11:15 2023-10-03
science - citeste alte articole pe aceeasi tema
Comentarii Adauga Comentariu
_ Studiul folosește învățarea profundă pentru a explica evenimentele extreme
_ Studiul folosește învățarea profundă pentru a explica evenimente extreme
Identificarea cauzei care stau la baza evenimentelor extreme precum inundațiile, ploile abundente sau tornadele este extrem de dificilă și poate necesita un efort concertat din partea oamenilor de știință de-a lungul mai multor decenii pentru a ajunge la explicații fizice fezabile.
p>
Evenimentele extreme cauzează abateri semnificative de la comportamentul așteptat și pot dicta rezultatul general pentru o serie de probleme științifice și situații practice. De exemplu, scenariile practice în care o înțelegere fundamentală a evenimentelor extreme poate fi de importanță vitală includ valurile necinstite din ocean care ar putea pune în pericol navele și structurile din larg sau „ploi de 1.000 de ani” din ce în ce mai frecvente, cum ar fi potopul care pune viața în pericol din aprilie, care a depus 20 de centimetri de ploaie într-o perioadă de șapte ore în zona Fort Lauderdale.
La baza descoperirii unor astfel de evenimente extreme se află fizica fluidelor - în special fluxurile turbulente, care prezintă o gamă largă de comportamente interesante. in timp si spatiu. În dinamica fluidelor, un flux turbulent se referă la un flux neregulat în care apar turbulențe, vârtejuri și instabilități ale fluxului. Din cauza naturii aleatorii și a neregularității fluxurilor turbulente, ele sunt notoriu dificil de înțeles sau de aplicat în ordine prin ecuații.
Cercetătorii de la Colegiul de Inginerie și Științe Calculatoare de la Florida Atlantic University au folosit o învățare profundă a viziunii computerizate. tehnica și a adaptat-o pentru analiza neliniară a evenimentelor extreme din fluxurile turbulente delimitate de pereți, care sunt omniprezente în numeroase aplicații de fizică și inginerie și impactează energia eoliană și hidrocinetică, printre altele.
Studiul s-a concentrat pe recunoașterea și reglarea structuri organizate în cadrul fluxurilor turbulente delimitate de pereți folosind o varietate de tehnici de învățare automată pentru a depăși natura neliniară a acestui fenomen.
Rezultatele, publicate în revista Physical Review Fluids, demonstrează că tehnica folosită de cercetători poate fi de neprețuit pentru identificarea cu acuratețe a surselor evenimentelor extreme într-un mod complet bazat pe date. Cadrul pe care l-au formulat este suficient de general pentru a fi extins la alte domenii științifice, unde dinamica spațială subiacentă care guvernează evoluția fenomenelor critice poate să nu fie cunoscută dinainte.
Folosind o arhitectură de rețea neuronală numită Rețea neuronală convoluțională (CNN). ), care este specializată în descoperirea relațiilor spațiale, cercetătorii au pregătit o rețea pentru a estima intensitatea relativă a structurilor de ejecție în cadrul simulării fluxului turbulent, fără cunoștințe a priori despre dinamica fluxului subiacent.
„Înțelegerea și controlul peretelui delimitat. turbulențele au fost urmărite de mult timp în inginerie și descoperiri științifice, dar, din punct de vedere fundamental, sunt multe care rămân necunoscute”, a declarat Siddhartha Verma, Ph.D., autor principal și profesor asistent la Departamentul de Inginerie Mecanică și Oceanică a FAU.< /p>
"Descoperirile noastre indică faptul că, odată cu modificările specifice pe care le-am făcut, CNN-urile 3D cuplate cu tehnica modificată GradCAM multistrat se pot dovedi a fi extrem de utile pentru analiza corelațiilor neliniare și pentru dezvăluirea caracteristicilor spațiale importante prezente în datele de flux turbulent. ."
Cadrul general pe care cercetătorii l-au folosit folosește o combinație de CNN-uri 3D și tehnica GradCAM cu mai multe straturi (gradient-pondered class activation mapping), nou modificată, care oferă o interpretare explicabilă a asociațiilor învățate ale unui CNN. la evenimente de ejectare în fluxuri turbulente delimitate de perete.
„În timp ce identificarea folosind tehnici precum cele folosite în acest studiu este un obiectiv important, controlul și reglementarea acestor structuri coerente are nenumărate aplicații științifice și practice, cum ar fi reducerea forței navelor sau eficiența infrastructurii de utilități.” a spus Eric Jagodinski, Ph.D., absolvent de doctorat la Colegiul de Inginerie și Științe Calculatoare din FAU și inginer principal AI la Northrop Grumman.
„Cu toate acestea, controlul fluxurilor turbulente a fost o problemă dificilă din cauza evoluția neliniară inerentă a structurilor coerente, identificarea lor cu acuratețe este crucială.”
Cercetătorii FAU au modificat arhitectura CNN și tehnica GradCAM pentru a le face mai potrivite pentru analiza structurilor de curgere turbulente. Folosind cadrul modificat CNN-GradCAM, ei au examinat evenimentele de ejecție intermitente, despre care se știe că influențează generarea de energie cinetică turbulentă în straturile limită.
„Acest studiu important oferă o nouă înțelegere a fluxurilor turbulente delimitate de pereți. folosind învățarea profundă”, a spus Stella Batalama, Ph.D., decan, Colegiul de Inginerie și Informatică FAU. „Tehnicile dezvoltate de cercetătorii noștri permit descoperirea relațiilor neliniare în sisteme masive și complexe, cum ar fi datele găsite frecvent în simulările de dinamică a fluidelor.”
Comentarii:
Adauga Comentariu